Data scientist

Le data scientist est un spécialiste de l’analyse statistique, de la programmation et de la modélisation des données. Il transforme une question métier en analyse ou en modèle pour éclairer une décision. Son travail relie les besoins des utilisateurs, la qualité des données disponibles et l’interprétation des résultats.

La demande peut venir d’une direction ou d’un service qui cherche à comprendre un phénomène, améliorer la qualité ou anticiper des pannes. Le data scientist commence par préciser cette demande. Il identifie ensuite les données pertinentes, les prépare et choisit une approche adaptée. La construction d’un algorithme ne constitue donc qu’une partie de son activité : comprendre ce que le résultat doit permettre de décider reste essentiel.

Son champ d’intervention varie selon l’organisation. Il peut travailler de la collecte à la restitution ou se concentrer sur l’analyse au sein d’une équipe pluridisciplinaire. Il échange avec les métiers et les spécialistes techniques pour identifier les sources, expliquer les besoins de collecte et préparer l’utilisation des modèles.

Data scientist et data analyst : des activités qui peuvent se recouper

• Le data scientist prépare les données et développe notamment des modèles statistiques ou d’apprentissage automatique pour répondre aux problèmes confiés.
• Le data analyst produit des analyses, des visualisations et des tableaux de bord utiles aux décisions des utilisateurs.

Ces activités peuvent se recouper : l’intitulé seul ne suffit pas à décrire les travaux confiés à chaque profil.

Le premier enjeu est de relier le travail technique à une décision de l’entreprise. Une analyse peut être correctement exécutée sans répondre à la question posée. Le recrutement doit donc tenir compte de la capacité à comprendre les utilisateurs, à reformuler leur demande et à expliquer ce que les données permettent réellement de conclure.

La qualité des données constitue un autre point décisif. Des formats incompatibles, des doublons ou des informations inexploitables appellent un travail de préparation. Réduire le poste à la création de modèles risque de laisser cette responsabilité mal définie. Avant de recruter, identifiez qui connaît les sources et qui pourra aider à comprendre leur contenu.

Le choix des indicateurs compte également. Pour apprécier un modèle, il faut préciser ce que mesure sa performance et ce que le résultat signifie pour l’usage visé. Un score isolé ne suffit pas à expliquer l’intérêt d’une solution. Demandez que les résultats soient accompagnés des limites utiles à leur interprétation et des conditions dans lesquelles ils peuvent guider une décision.

Exemple fictif : une équipe industrielle souhaite exploiter ses données pour anticiper des pannes. Avant de demander un modèle, elle précise les informations disponibles et les décisions que l’analyse doit éclairer. Le data scientist examine leur qualité, teste une approche et présente les résultats avec leurs limites. La direction peut alors discuter de l’usage envisagé, sans confondre un essai technique avec une solution déjà opérationnelle.

Enfin, le niveau d’autonomie doit correspondre au soutien disponible. Un recrutement devient difficile à évaluer si l’entreprise attend de la personne qu’elle couvre seule l’ensemble du projet, sans avoir défini les travaux qu’elle devra réellement prendre en charge.

• Traduire une demande métier en question analytique et préciser les résultats attendus.
• Identifier et extraire les données pertinentes pour le problème étudié.
• Nettoyer et structurer les données, en examinant les formats, les doublons et les informations inexploitables.
• Construire les variables utiles et les données d’entraînement des modèles.
• Créer, tester et ajuster des modèles statistiques ou d’apprentissage automatique.
• Évaluer les résultats avec des indicateurs adaptés à l’usage attendu.
• Restituer les analyses aux équipes métier sous forme de rapports, de visualisations ou de présentations.
• Contribuer à l’industrialisation et aux vérifications de mise en production selon la répartition des responsabilités.

Les parcours cités par l’Apec et l’Onisep comprennent des masters en data science, statistiques ou mathématiques appliquées, ainsi que des diplômes d’ingénieur associant statistiques et informatique. Leur intérêt pour le recrutement tient aux acquis qu’ils permettent de développer : raisonner sur des données, programmer des traitements et comprendre les méthodes de modélisation.

La complémentarité entre statistiques et informatique reste essentielle : un parcours orienté vers les mathématiques peut être approfondi par des réalisations de programmation, tandis qu’un parcours informatique doit aussi développer le raisonnement statistique et le choix des méthodes. Le seul intitulé du diplôme ne permet pas de présumer d’une lacune dans l’un de ces domaines.

Le diplôme ne suffit pas non plus à établir le niveau d’autonomie. Une formation ne se confond pas avec une expérience professionnelle complète.

Le socle commun de l’évaluation GetPro

GetPro structure l’évaluation autour d’une grille de critères priorisés. Elle distingue les éléments vérifiables sur le parcours de ceux à examiner en entretien et associe une modalité d’évaluation à chaque critère. Les entretiens approfondissent les compétences clés par des questions ouvertes et des exemples concrets. La prise de références permet de recouper les responsabilités exercées et d’éclairer les points d’attention apparus pendant les échanges.

Adapter cette méthode au recrutement d’un data scientist

Les pistes ci-dessous sont des conseils pour votre recrutement. Le choix des critères techniques et de l’exercice dépend des travaux confiés au data scientist et du niveau attendu.

1. Définir les critères avant les entretiens

Précisez les travaux que la personne devra conduire et les appuis dont elle disposera. Distinguez le cadrage métier, la préparation des données, la modélisation, la programmation et la restitution. Pour chaque critère, définissez le niveau d’autonomie attendu.

Choisissez les outils à évaluer selon vos projets. N’exigez pas une bibliothèque de réseaux neuronaux si les travaux prévus ne la justifient pas. Préparez une grille commune aux évaluateurs pour comparer les réponses sur les mêmes critères.

Si votre entreprise ne dispose pas d’expertise en data science, associez un professionnel capable d’examiner le raisonnement statistique et le code. Confiez aux interlocuteurs métier l’appréciation de la compréhension du besoin et de la restitution.

2. Examiner une réalisation passée

Demandez au candidat de présenter un projet en partant de la question initiale. Faites préciser les données utilisées, les préparations nécessaires et les choix qu’il a personnellement effectués. Interrogez-le sur les ajustements apportés après les premiers résultats.

Recherchez une explication qui relie les choix techniques au problème traité. Une réponse détaillée sur l’outil, mais imprécise sur la demande ou les données, appelle des questions supplémentaires. Distinguez les résultats du projet de la contribution propre du candidat.

Pour apprécier sa rigueur, demandez comment il a repéré les données inexploitables et contrôlé les transformations. Pour explorer sa curiosité, faites expliquer une hypothèse qu’il a choisi de réexaminer.

3. Utiliser un cas proche du travail attendu

Proposez un exercice limité qui permette d’observer la démarche, puis discutez les arbitrages. Donnez les informations nécessaires sur l’usage visé et adaptez la difficulté au niveau recherché.

Exemple fictif : fournissez un jeu de données industrielles simplifié et une question relative aux pannes. Demandez quelles vérifications effectuer avant la modélisation, quelles variables examiner et comment apprécier les résultats.

Observez si le candidat repère les questions à clarifier avant de lancer un traitement. Faites justifier le choix d’un indicateur et expliquer ses limites. Une conclusion assurée sans discussion de la qualité des données mérite d’être approfondie.

Si le poste comprend du développement, examinez également un script et ses tests avec l’évaluateur technique. Demandez comment vérifier les traitements avant leur utilisation par d’autres personnes.

4. Évaluer la collaboration et la communication

Demandez une restitution courte à un interlocuteur métier. Examinez si le candidat explique ce que l’analyse apporte, ce qu’elle ne permet pas de conclure et quelles informations complémentaires seraient utiles.

Pour un poste d’encadrement, explorez la manière dont il accompagne les moins expérimentés et organise les revues de travaux. Demandez un exemple de désaccord technique et les éléments utilisés pour décider.

5. Recouper les responsabilités et conclure

Lors d’une prise de références, faites préciser les responsabilités effectivement exercées, l’autonomie et les collaborations. Reliez les retours aux points examinés pendant les entretiens, sans attendre d’une référence qu’elle remplace l’analyse technique.

Confrontez enfin les observations à la grille initiale. Distinguez une compétence indispensable dès la prise de poste d’un apprentissage possible avec l’appui prévu. Explicitez les points qui restent incertains avant de décider.